前沿科学技术创新研究院

科学研究

田捷教授团队研发影像组学新技术:利用深度学习实现基于PET/CT影像的中晚期鼻咽癌预后预测

北京航空航天大学多模分子影像研究和转化中心田捷教授团队长期专注于影像组学大数据分析的临床应用工作,并与全国多家三甲医院开展系统化的科研合作。近期,实验室配合中山大学肿瘤防治中心马骏院长团队,将影像组学应用于中晚期鼻咽癌生存分析研究中,取得了阶段性的临床科研成果,相关研究工作发表于临床肿瘤权威期刊Clinical Cancer Research(2019, DOI: 10.1158/1078-0432.CCR-18-3065,SCI IF: 10.199,中科院JCR医学1区Top),标题为“Prognostic Value of Deep Learning PET/CT-based Radiomics: Potential Role for Future Individual Induction Chemotherapy in Advanced Nasopharyngeal Carcinoma”。这说明团队在影像大数据智能分析方面的工作已经获得了国际同行一定程度的认可。

鼻咽癌(Nasopharyngeal Carcinoma)是指发生于鼻咽腔顶部和侧壁的恶性肿瘤,也被称“广东瘤”(Canton Tumor)。据2018年世界癌症研究公署最新的调查统计结果,全球约有50%的新发鼻咽癌患者在中国,其发病率已经成为我国头颈恶性肿瘤之首。并且超过75%的患者在初次就诊时就已经是疾病晚期,预后相对较差,鼻咽癌已经成为严重威胁我国人民生命健康的恶性疾病。目前晚期鼻咽癌的标准治疗为诱导化疗(Induction Chemotherapy, IC)联合同期放化疗(Concurrent Chemoradiotherapy, CCRT)。但是既往研究表明,诱导化疗在同期放化疗的基础上只对约8%的患者有效,还有约70%的患者并不能从诱导化疗中获益。这70%的患者因而被过度治疗,遭受诱导化疗带来的毒副反应和经济负担。临床上目前缺乏能有效预测预后的分子标志物,导致预后相对较好的患者被过度治疗、预后相对较差的患者没有接受更强化的治疗方案。因此,寻找有效的预后分子标志物,在治疗之前对患者的预后进行预测,对于鼻咽癌临床治疗决策有重要的指导意义。

图1. 训练集及测试集中模型预测的高低危组在不同终点上的K-M曲线

图2. DCNNs对不同模态不同感兴趣区域生成的特征图

针对上述临床问题,团队配合中山大学肿瘤防治中心马骏院长团队进行深入研究,利用中晚期鼻咽癌患者的PET/CT影像、临床及随访信息,构建并验证了预测患者治疗后无瘤生存(Disease-Free Survival, DFS)的影像组学模型。本研究基于中山大学肿瘤防治中心回顾性收集的707例中晚期鼻咽癌数据开展实验,针对患者临床影像学表型组内变异、组间模糊的特点,以及相对小的训练集样本量,设计了一套提高模型量化肿瘤进展能力和鲁棒性的影像组学处理流程。首先分别基于鼻咽癌原发灶及淋巴结区域的CT影像和PET影像构建并训练了包含12层或8层卷积层的深度卷积神经网络模型(Deep Convolutional Neural Networks, DCNNs),其在测试集上的C-index可达到0.665。将训练过的DCNNs作为图像处理工具增强感兴趣区域在影像上的表型特点,并以多种方式对其度量得到候选特征。同时,本研究还提取了一系列人工定义特征以进一步增加对感兴趣区域的定量表述。经过多重特征选择后,建立的Cox比例风险模型在测试集上展现出显著的预后效能,C-index达到0.722(95% CI, 0.652-0.792),优于以plasma Epstein-Barr virus DNA为主的临床模型(C-index, 0.671)。预测出的低危组病人的5年无瘤生存率明显高于高危组病人(87.6% vs 50.1%)。此外,实验结果还显示高危组患者能从诱导化疗中获益,而低危组患者却不能,从而提示了模型具备指导临床治疗的潜在作用。

本文由中山大学肿瘤防治中心的彭浩医生作为第一作者,田捷研究员和马骏院长为并列通讯作者。该研究得到了国家自然科学基金、科技部重点研发计划、北京市科委项目、中科院青促会等项目的资助。